Explore the future

Predictive analytics - et våben mod madspild

Madspild er en reel udfordring, og vi har alle et medansvar: Den enkelte forbruger, detailforhandleren, samt distributøren og producenten. Ved at anvende business data science på et datagrundlag som etableres via øget samarbejde i den integrerede værdikæde kan vi mindske madspild ved at optimere forsyningskæden og stadig levere de rette produkter til de rette forbrugere til rette tid og på rette sted.

VERDENSMÅL 12.3

Inden 2030 skal det globale madspild på detail- og forbrugerniveau pr. indbygger halveres og fødevaretab i produktions- og forsyningskæder, herunder tab af afgrøder efter høst, skal reduceres.

I fast-moving consumer goods-industrien (FMCG) skal udbud og efterspørgsel balancere bedre for at reducere madspild. Alle led i den integrerede værdikæde har fokus på at producere, distribuere og levere de rette varer til forbrugerne i rette mængde, til rette tid og på rette sted. Men den store udfordring er utilstrækkelig deling af information mellem parterne i værdikæden. Det giver svære betingelser for at kunne forudsige og træffe de rigtige beslutninger. Et bedre datagrundlag og øget gennemsigtighed mellem alle parter kan reducere madspild. 

Et traditionelt syn er, at parterne ikke har nogen interesse i at dele viden med andre i værdikæden. Men viden forpligter. Behovet for at finde alternative veje til at forecaste i dag er nødvendig for at kunne indfri FN’s verdensmål 12.3 og halvere madspild og fødevaretab i produktions- og forsyningskæder.

Giovanni Mellace, Rooftop Analytics

"

Udfordringen er at identificere, hvilke data kan deles mellem parterne - uden at den ene part kapitaliserer på den anden, og uden at nogen af parterne kompromitterer forbrugerdata.

Data er tilgængelige, men ikke sammenkoblede

Detailleddet har detaljeret information om sine kunders købsadfærd via kasseboner og i et vist omfang kundernes socioøkonomiske karakteristika via loyalitetskort. Priselasticitet og substitutionseffekter er væsentlige faktorer for forbrugernes købsadfærd. Det samme gælder detailleddets butiksindretning og andre markedsføringsinitiativer, som også påvirker købsadfærden. Det er alt sammen information, som danner grundlag for de salgsprognoser, detailleddet udarbejder.

Producenten, derimod, udarbejder demand forecasts på grundlag af sine kunders (detailleddet) salgshistorik, salgsordre, derudover er information om sæsonvarer, vejret og kalenderaktiviteter, som helligdage, ferietid, events, etc., også relevant. Dertil kommer markedsføringsinitiativer, evt. i samarbejde med detailleddet. 

Set med predictive analytics-øjne eksisterer der massive mængder af data, som indsamles og bruges i afgrænsede dele i den integrerede værdikæde og derfor ikke kommer det samlede økosystem til gavn. For at reducere madspild væsentligt skal allerede tilgængelige data i højere grad være tilgængelige og gøre nytte i større dele af den integrerede værdikæde.

Der er store datamængder og mange variable skal indarbejdes i forecastet og bearbejdes ved hjælp af business data science. Business data science kombinerer økonomisk viden, statistik og machine learning og er et stærkt våben til at identificere datarelationer og finde årsagssammenhænge; nøglen til mere præcise prædiktioner. 

Utraditionelle initiativer er nødvendige

Predictive analytics i kombination med økonomisk viden på området er uomtvisteligt det rigtige værktøj til at løse problemstillingen. Udfordringen er, hvordan man tilvejebringer og udstiller informationen til parterne i den integrerede værdikæde, uden at det forvrænger markedsmekanismerne eller overtræder GDPR.

Udfordringen er at etablere en konstellation mellem parterne i værdikæden, som hver især bidrager med data. Ved at sammensætte et datagrundlag, som deles mellem parterne i den integrerede værdikæde, kan de optimere deres egne aktiviteter mere præcist.

Fra forbruger til producent skal der gives samtykke til udvalgte data, samtidig med at datagrundlaget til predictive analytics skal udarbejdes på en sådan måde, at den nødvendige grad af anonymisering af data eksisterer. Det gælder eksempelvis data, som vedrører forbrugeren og producenters brands.

Teknisk set skal der udarbejdes et datagrundlag ved at sammenkoble de forskellige typer af data, der indgår i predictive analytics. Det gælder de variable, som skaber den ekstra information, der gør det muligt at disponere bedre - i hele den integrerede værdikæde.

Giovanni Mellace, Rooftop Analytics

Styrken ligger i det personlige møde

Søger du inspiration til, hvordan predictive analytics kan være et effektivt værktøj til at finde forklarende sammenhænge i data, så kontakt Giovanni Mellace

Book et møde

Om Rooftop analytics

Rooftop Analytics har kompetencen til at analysere og identificere, hvilke data gør forskellen, når der skal forecastes. Vi udnytter statistisk analyse forankret i økonomisk teoretisk viden. Vi håndterer big data og anvender machine learning - alle nødvendige elementer, som indgår i predictive analytics og gør virksomheder i stand til at tage kampen op mod madspild.

Læs mere

SAP udvikler RPA'ere i SAP S/4 1909 og åbner samtidig op for, at eksterne datakilder integreres med ERP-data.

Rooftop Analytics skiller sig ud på markedet og skaber værdi for virksomheder.